Exploratory Data Analysis in R
joseangeldiazg
November 25 2017
Ejemplo 1, hip dataset
Descargate el dataset hip con el siguiente commando
hip <-read.table("http://astrostatistics.psu.edu/datasets/HIP_star.dat", header=T,fill=T)- Una vez descargado comprueba la dimensión y los nombres de las columnas del dataset. ¿Qué dimensión tiene? ¿qué datos alberga?
str(hip)## 'data.frame': 2719 obs. of 9 variables:
## $ HIP : int 2 38 47 54 74 81 110 135 143 149 ...
## $ Vmag : num 9.27 8.65 10.78 10.57 9.93 ...
## $ RA : num 0.0038 0.111 0.1352 0.1517 0.2219 ...
## $ DE : num -19.5 -79.1 -56.8 18 35.8 ...
## $ Plx : num 21.9 23.8 24.4 21 24.2 ...
## $ pmRA : num 181.2 162.3 -44.2 367.1 157.7 ...
## $ pmDE : num -0.93 -62.4 -145.9 -19.49 -40.31 ...
## $ e_Plx: num 3.1 0.78 1.97 1.71 1.36 1.28 1.91 1.22 1.64 2.17 ...
## $ B.V : num 0.999 0.778 1.15 1.03 1.068 ...Con el comando str vemos la información solicitada concretamente 2719 observaciones con 9 características, además vemos el tipo de dato de cada característica.
- Muestra por pantalla la columna de la variable RA
hip[,3]## [1] 0.003797 0.111047 0.135192 0.151656 0.221873 0.243864
## [7] 0.348708 0.426746 0.455182 0.478685 0.612287 0.696411
## [13] 0.972063 1.099309 1.102623 1.244275 1.281668 1.369764
## [19] 1.423333 1.468617 1.843365 1.966150 2.261459 2.315143
## [25] 2.352249 2.431558 2.768701 2.878592 2.898287 2.906145
## [31] 3.125492 3.136756 3.287636 3.470117 3.499989 3.517613
## [37] 3.542473 3.561294 3.584257 3.588865 3.768990 4.047722
## [43] 4.101227 4.179702 4.342874 4.375348 4.376308 4.386210
## [49] 4.387165 4.401851 4.457699 4.582106 4.608357 4.901928
## [55] 5.280108 5.398303 5.604551 5.644953 5.735995 5.750338
## [61] 5.770342 5.907064 5.913140 5.947756 6.036948 6.091006
## [67] 6.256391 6.266819 6.285408 6.667964 6.930394 6.957396
## [73] 7.292119 7.368555 7.427643 7.465869 7.575263 7.608228
## [79] 7.689831 7.801700 7.885670 8.033768 8.182476 8.613389
## [85] 8.622360 8.712882 8.739422 8.807178 8.908298 8.967503
## [91] 8.970857 9.007174 9.016931 9.028761 9.156804 9.342176
## [97] 9.487066 9.561303 9.638220 9.803365 9.919210 9.934979
## [103] 9.989965 10.182398 10.214448 10.281968 10.313306 10.393825
## [109] 10.505973 10.617905 10.638702 10.711497 10.802331 10.922355
## [115] 11.199058 11.248836 11.295022 11.340305 11.448401 11.461630
## [121] 11.641352 11.659293 11.951857 12.613796 12.861334 12.956579
## [127] 13.195597 13.215928 13.395191 13.418159 13.747963 13.799435
## [133] 13.800465 14.071556 14.080133 14.086786 14.187907 14.230759
## [139] 14.334854 14.359748 14.810534 14.902862 15.094161 15.172868
## [145] 15.257317 15.328935 15.648212 15.665018 15.683459 15.718225
## [151] 15.914661 16.114874 16.167828 16.384181 16.455093 16.464240
## [157] 16.508003 16.552217 16.608722 16.795620 16.817872 16.851366
## [163] 16.942168 16.987958 16.998252 17.005018 17.240862 17.485876
## [169] 17.685560 17.774711 17.883744 17.914945 18.124238 18.274262
## [175] 18.290284 18.328914 18.432510 18.452612 18.543673 18.704919
## [181] 18.937290 19.177982 19.185476 19.344598 19.496615 20.012387
## [187] 20.115638 20.137260 20.265717 20.651504 20.736256 20.827316
## [193] 20.838142 20.856737 20.961761 21.050790 21.085354 21.204147
## [199] 21.301454 21.368489 21.557218 21.577496 21.705117 21.775895
## [205] 21.863460 22.079648 22.184722 22.255183 22.359756 22.452853
## [211] 22.463379 22.685087 22.795906 22.812423 22.830857 23.067525
## [217] 23.136649 23.472117 23.480113 23.495490 23.603017 23.742165
## [223] 23.811290 23.906500 23.917583 23.919763 23.924260 23.970427
## [229] 24.042201 24.355127 24.428132 24.558431 24.694243 24.781368
## [235] 24.923974 24.926077 24.976913 25.093014 25.142788 25.183597
## [241] 25.265384 25.278081 25.363685 25.487784 25.525434 25.560728
## [247] 25.654124 25.796793 25.808926 25.912488 25.937314 26.058869
## [253] 26.120282 26.460976 26.504143 27.084421 27.361362 27.398006
## [259] 27.563815 27.688127 27.716725 27.737869 27.833990 27.879742
## [265] 27.941418 28.150791 28.213507 28.365926 28.380999 28.490802
## [271] 28.807768 28.841750 28.943608 28.959378 29.160189 29.182608
## [277] 29.416312 29.453802 29.480758 29.482398 30.022118 30.197706
## [283] 30.202588 30.236395 30.449293 30.468324 30.511669 30.611289
## [289] 30.756650 30.789233 30.859126 30.867524 30.886683 30.940466
## [295] 30.979076 31.069481 31.146008 31.222648 31.329711 31.381960
## [301] 31.405060 31.421853 31.858408 31.925780 32.165945 32.532800
## [307] 32.716716 32.838177 32.842678 32.991939 33.086270 33.197180
## [313] 33.232392 33.281209 33.439303 33.510536 33.817351 33.923787
## [319] 33.928477 33.941399 33.980981 34.006963 34.065453 34.127085
## [325] 34.197081 34.357188 34.558477 34.678044 34.727048 35.407083
## [331] 35.437596 35.496517 35.629458 35.709842 35.810793 36.224977
## [337] 36.300264 36.539614 36.561617 36.564190 36.567476 36.868438
## [343] 36.871668 37.007042 37.007352 37.041626 37.095529 37.266617
## [349] 37.850319 38.096250 38.272437 38.472245 38.514713 38.548152
## [355] 38.644692 38.653526 38.683132 38.897663 38.948203 39.128737
## [361] 39.160204 39.251816 39.351104 39.896765 39.948195 40.013098
## [367] 40.164916 40.166382 40.244132 40.260256 40.276125 40.357674
## [373] 40.392219 40.535147 40.587033 40.744524 40.856286 40.897930
## [379] 41.003599 41.017642 41.060453 41.120743 41.687736 41.765011
## [385] 42.181572 42.356519 42.495789 42.767495 42.965454 42.969977
## [391] 43.166246 43.319831 43.497058 43.763774 44.050151 44.057202
## [397] 44.058148 44.106682 44.157446 44.312089 44.348755 44.367928
## [403] 44.565482 44.884889 45.070690 45.082105 45.635924 45.717560
## [409] 45.719254 45.807011 45.875471 45.883382 45.898022 45.903766
## [415] 46.068655 46.907415 46.913451 47.184434 47.425976 47.498874
## [421] 47.517497 47.580105 47.807529 47.968815 47.984327 48.039766
## [427] 48.106996 48.126158 48.162929 48.261105 48.402455 48.519994
## [433] 48.556492 48.838748 48.972341 49.023753 49.169269 49.234452
## [439] 49.359535 49.386169 49.514128 49.562612 49.574012 49.646313
## [445] 49.680357 49.914871 50.177034 50.188236 50.232840 50.348931
## [451] 50.360863 50.405685 50.468216 50.475217 50.635627 50.902536
## [457] 51.119287 51.379709 51.640888 52.008780 52.086975 52.150018
## [463] 52.266093 52.607873 52.626386 52.658680 52.666896 52.718640
## [469] 52.814556 53.047775 53.165926 53.208232 53.248789 53.438571
## [475] 53.486722 53.534668 53.551447 53.688409 53.747931 53.997149
## [481] 54.001367 54.013961 54.222178 54.235377 54.242298 54.476360
## [487] 54.726279 54.738916 54.744758 54.954120 54.994352 55.021698
## [493] 55.030169 55.196725 55.201126 55.306241 55.316535 55.496224
## [499] 55.501753 55.890994 55.913099 55.947529 56.164410 56.189388
## [505] 56.316288 56.625853 56.976306 57.002769 57.049001 57.124673
## [511] 57.149262 57.162728 57.432673 57.567101 57.595410 57.603705
## [517] 57.762573 57.934751 57.988076 58.291494 58.363311 58.566090
## [523] 58.594254 58.776715 58.817391 58.955626 59.119238 59.151816
## [529] 59.216803 59.718422 60.112986 60.172306 60.202858 60.525629
## [535] 60.747723 60.825362 60.912353 61.084441 61.128308 61.405433
## [541] 61.566899 61.752643 61.754794 61.836520 61.924609 62.064424
## [547] 62.110817 62.342339 62.360045 62.500933 62.530789 62.590083
## [553] 62.676201 63.539787 63.606610 63.613275 63.634326 63.642792
## [559] 63.716101 63.740554 63.937619 63.942560 64.126154 64.333916
## [565] 64.411969 64.507366 64.579998 64.623547 64.741269 64.783078
## [571] 64.903221 64.939589 64.948058 64.978269 64.990145 65.053732
## [577] 65.104316 65.151020 65.195160 65.219406 65.514374 65.683765
## [583] 65.694862 65.733447 65.833914 65.842782 65.854160 65.855020
## [589] 65.876420 65.884447 65.972485 65.976429 66.023724 66.051658
## [595] 66.060417 66.117739 66.136625 66.155934 66.199969 66.237749
## [601] 66.251245 66.288472 66.342078 66.348869 66.353936 66.372156
## [607] 66.378603 66.405223 66.424206 66.440008 66.447877 66.465247
## [613] 66.478943 66.488676 66.508653 66.576645 66.576805 66.586132
## [619] 66.602270 66.608825 66.666891 66.700800 66.726165 66.882743
## [625] 66.899281 66.941704 66.969553 67.003007 67.018217 67.143468
## [631] 67.153889 67.154802 67.165312 67.165753 67.200966 67.208754
## [637] 67.219338 67.248822 67.335371 67.376191 67.381418 67.490262
## [643] 67.535554 67.639871 67.655411 67.661778 67.694736 67.737960
## [649] 67.815117 67.904325 67.965388 68.019759 68.064228 68.071794
## [655] 68.126726 68.392082 68.404636 68.424440 68.444085 68.461897
## [661] 68.493652 68.625531 68.646870 68.821827 68.913473 69.107364
## [667] 69.121115 69.169437 69.383039 69.431418 69.539068 69.539174
## [673] 69.713438 69.738551 69.788322 69.818549 69.881624 69.962130
## [679] 70.050642 70.105891 70.176845 70.715178 70.755700 70.807281
## [685] 70.882015 70.901358 70.956585 71.046134 71.107373 71.140897
## [691] 71.200997 71.452649 71.474723 71.578080 71.705813 71.825743
## [697] 71.923861 72.000903 72.115216 72.135536 72.209430 72.241699
## [703] 72.264460 72.305278 72.599450 72.637067 72.640679 72.802006
## [709] 72.819906 72.958017 72.987353 73.232419 73.481566 73.986055
## [715] 74.064966 74.276840 74.553955 74.608976 74.649107 74.755991
## [721] 74.814064 74.902875 74.934460 75.141364 75.165899 75.175267
## [727] 75.216582 75.225224 75.315279 75.434431 75.773767 76.025879
## [733] 76.198001 76.222877 76.366019 76.378138 76.479926 76.826306
## [739] 76.947985 77.441187 77.508801 77.515585 77.678629 77.741562
## [745] 77.746629 77.818783 77.903417 78.199742 78.354422 78.357215
## [751] 78.743675 78.827178 79.037753 79.146074 79.250993 79.356732
## [757] 79.364876 79.417693 79.420753 79.525740 80.158411 80.212086
## [763] 80.677967 80.762950 80.915213 81.185074 81.478781 81.499263
## [769] 81.530864 81.572908 81.619289 81.874966 81.941051 82.061360
## [775] 82.246582 82.263636 82.539424 82.626258 82.749355 82.754931
## [781] 82.871202 83.140333 83.279070 83.400674 83.861587 83.914743
## [787] 84.279966 84.318722 84.404291 84.436013 84.721216 84.859388
## [793] 84.879805 84.934280 85.007073 85.072965 85.631773 85.744584
## [799] 85.885949 85.969469 86.193413 86.251512 86.305940 86.374124
## [805] 86.645661 86.956396 87.083659 87.153295 87.442438 87.458438
## [811] 88.248618 88.313517 88.758413 89.154664 89.369979 89.881460
## [817] 89.957026 90.089080 90.113105 90.255586 90.595793 90.729655
## [823] 91.030069 91.242432 91.425335 91.480137 91.624376 91.749374
## [829] 91.996030 92.026830 92.485177 92.503926 92.709214 92.763089
## [835] 93.058664 93.502694 93.701386 93.912731 94.178786 94.210573
## [841] 94.390382 94.656328 94.783547 94.803741 94.905795 95.365396
## [847] 95.405740 95.431407 95.483128 96.128320 96.209174 96.318090
## [853] 96.781608 96.836142 96.850440 97.190596 97.234706 97.265719
## [859] 97.416519 97.790108 98.096374 98.147895 98.154700 98.549053
## [865] 98.839081 98.890227 98.975302 99.127635 99.139219 99.584875
## [871] 99.798563 99.832964 100.095186 100.204336 100.293110 100.601344
## [877] 100.691993 101.005987 101.058605 101.228600 101.370258 101.503433
## [883] 102.050968 102.079533 102.149098 102.224706 102.339020 102.408803
## [889] 102.877039 102.918208 102.940005 103.008637 103.737618 104.143434
## [895] 104.155936 104.323388 104.443450 104.697982 104.872581 104.930818
## [901] 105.268821 105.619024 105.620362 105.891863 106.043628 106.557741
## [907] 106.570251 107.001137 107.050065 107.176423 107.186769 107.271051
## [913] 107.342304 107.528284 107.538987 107.806306 107.811656 107.831504
## [919] 108.017163 108.072192 108.204492 108.786094 108.976772 109.151639
## [925] 109.410489 109.551236 109.735395 109.867006 110.508258 110.541299
## [931] 110.610856 110.769287 110.868976 110.948562 111.010713 111.039515
## [937] 111.238172 111.248005 111.249978 111.325386 111.515211 111.630569
## [943] 112.018199 112.025655 112.050096 112.066974 112.107630 112.139573
## [949] 112.335264 112.597320 112.609382 112.620829 112.633443 112.665028
## [955] 112.966807 113.298647 113.318200 113.620490 113.685181 113.780877
## [961] 114.144875 114.553595 114.559845 114.746220 114.791485 114.793545
## [967] 114.840337 115.213835 115.311986 115.454983 115.537950 115.602343
## [973] 116.040597 116.082348 116.086031 116.111952 116.196451 116.885726
## [979] 117.194844 117.205802 117.222763 117.328882 117.475280 117.498819
## [985] 117.534148 117.925179 118.199463 118.700299 118.992561 119.303134
## [991] 120.336448 120.522664 120.608474 120.795588 120.824626 120.870037
## [997] 120.920310 121.007818 121.178227 121.786595
## [ reached getOption("max.print") -- omitted 1719 entries ]- Calcula las tendencias centrales de todos los datos del dataset (mean, media) utilizando la function apply
apply(hip,2,mean, na.rm=T)## HIP Vmag RA DE Plx
## 56549.4828981 8.2593858 173.4529975 -0.1397663 22.1980213
## pmRA pmDE e_Plx B.V
## 5.3761346 -63.9419934 1.6267929 0.7615299apply(hip,2,median, na.rm=T)## HIP Vmag RA DE Plx
## 56413.000000 8.280000 173.369788 3.254234 22.100000
## pmRA pmDE e_Plx B.V
## 10.550000 -49.480000 1.140000 0.710500- Haz lo mismo para las medidas de dispersión mínimo y máximo.
apply(hip,2,min, na.rm=T)## HIP Vmag RA DE Plx
## 2.000000 0.450000 0.003797 -87.202730 20.000000
## pmRA pmDE e_Plx B.V
## -868.010000 -1392.300000 0.450000 -0.158000apply(hip,2,max, na.rm=T)## HIP Vmag RA DE Plx
## 120003.00000 12.74000 359.95468 88.30268 25.00000
## pmRA pmDE e_Plx B.V
## 781.34000 481.19000 46.91000 2.80000- ¿Sería posible hacerlo con un único comando? ¿Que hace la función range()
Si que sería posible, para ello usaremos la función range que nos da el rango de valores comprendido para una determinada característica del dataset.
apply(hip,2,range, na.rm=T)## HIP Vmag RA DE Plx pmRA pmDE e_Plx B.V
## [1,] 2 0.45 0.003797 -87.20273 20 -868.01 -1392.30 0.45 -0.158
## [2,] 120003 12.74 359.954685 88.30268 25 781.34 481.19 46.91 2.800- Sin embargo las medidas más populares de dispersión son la varianza (var()), su desviación standard (sd()) y la desviación absoluta de la mediana o MAD. Calcula estas medidas para los valores de RA.
apply(hip,2,var, na.rm=T)## HIP Vmag RA DE Plx
## 1.266456e+09 3.552207e+00 1.156632e+04 1.515575e+03 2.008437e+00
## pmRA pmDE e_Plx B.V
## 2.591451e+04 1.985011e+04 4.896779e+00 1.012434e-01apply(hip,2,sd, na.rm=T)## HIP Vmag RA DE Plx
## 3.558731e+04 1.884730e+00 1.075468e+02 3.893039e+01 1.417193e+00
## pmRA pmDE e_Plx B.V
## 1.609799e+02 1.408904e+02 2.212867e+00 3.181876e-01apply(hip,2,mad, na.rm=T)## HIP Vmag RA DE Plx
## 4.909037e+04 1.882902e+00 1.469334e+02 4.398403e+01 1.764294e+00
## pmRA pmDE e_Plx B.V
## 1.416476e+02 9.949729e+01 4.892580e-01 2.809527e-01- Imagina que quieres calcular dos de estos valores de una sola vez. ¿Te serviría este código?
f = function(x) c(median(x), mad(x))
f(hip[,1])## [1] 56413.00 49090.37Si que valdría y calcularía para la columna 1 la mediana y la desviación absoluta de la mediana.
- ¿Cuál sería el resultado de aplicar apply(hip,2,f)?
El resultado de esta función sería aplicar para cada columna la mediana y la desviación absoluta de la mediana.
apply(hip,2,f)## HIP Vmag RA DE Plx pmRA pmDE
## [1,] 56413.00 8.280000 173.3698 3.254234 22.100000 10.5500 -49.48000
## [2,] 49090.37 1.882902 146.9334 43.984032 1.764294 141.6476 99.49729
## e_Plx B.V
## [1,] 1.140000 NA
## [2,] 0.489258 NAVamos a medir la dispersión de la muestra utilizando el concepto de cuartiles. El percentil 90 es aquel dato que excede en un 10% a todos los demás datos. El cuartil (quantile) es el mismo concento, solo que habla de proporciones en vez de porcentajes. De forma que el percentil 90 es lo mismo que el cuartil 0.90. La mediana “median” de un dataset es el valor más central, en otras palabras exactamente la mitad del dataset excede la mediana.
- Calcula el cuartil .10 y .50 para la columna RA del dataset hip. Sugerencia: quantile()
quantile(hip$RA, probs = c(0.1, 0.5))## 10% 50%
## 28.92324 173.36979- Los cuantiles 0.25 y 0.75 se conocen como el first quartile y el third quartile, respectivamente. Calcula los cuatro cuartiles para RA con un único comando.
quantile(hip$RA, probs=c(0.25,0.5,0.75))## 25% 50% 75%
## 70.14137 173.36979 266.92332- Otra medida de dispersión es la diferencia entre el primer y el tercer cuartil conocida como rango intercuartil (IQR) Inter Quantile Range. ¿Obtienes ese valor con la función summary()?
El valor como tal no es ofrecido por la función summary, pero si que obtenemos los valores necesarios para calcularlo. Si queremos tenerlo directamente debemos usar la funcion IQR.
summary(hip$RA, na.rm=T)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0038 70.1414 173.3698 173.4530 266.9233 359.9547IQR(hip$RA)## [1] 196.782Hasta ahora has ignorado la presencia de valores perdidos NA. La función any() devuelve TRUE si se encuentra al menos un TRUE en el vector que damos como argumento. Su combinación con is.na es muy útil.
- ¿Qué obtienes cuando ejecutas el siguiente comando? ¿Cómo lo interpretas?
El siguiente comando, lo que hace es crear una función hasNA que nos dice si algun elemento de los datos que se le pasan como argumento es un missing value. Con la funcion apply, lo que hacemos es usarlo para cada columna del dataset hip y este nos devuelve que en la variable B.V, tenemos valores perdidos.
hasNA = function(x) any(is.na(x))
apply(hip,2,hasNA) ## HIP Vmag RA DE Plx pmRA pmDE e_Plx B.V
## FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUENormalmente querríamos poder usar las funciones sobre el resto de datos que no son NA: Para ello podemos utilizar la función na.omit. ¿Que ocurre cuando lo hacemos?. Usando apply calcula la media para hip y hip1. Intenta calcular la media de forma que solo cambie la de B.V cuando ignores los valores NA.
Obten una idea aproximada de tus datos mediante la creación de un boxplot del hip dataset
library(ggplot2)
boxplot(hip, main="HIP BOX PLOT", ylab="Value", xlab="Variable")
Vemos que el gráfico no es muy revelador esto es porque tenemos variables de rangos muy distintos, podemos normalizarlas para ver algo mejor la dispersion de los datos. De todas formas este gráfico ya nos aportaria información como que la variable HIP está muy por encima de los valores de las demás que se encuentran en rangos similares en función a esta y que tenemos presencia de bastantes outliers en pmRA y pmDE. Vamos a normalizar para ver si el resultado mejora:
library(scales)
hip_norm<-hip
hip_norm$HIP <- rescale(hip$HIP)
hip_norm$Vmag <- rescale(hip$Vmag)
hip_norm$RA <- rescale(hip$RA)
hip_norm$DE <-rescale(hip$DE)
hip_norm$Plx<-rescale(hip$Plx)
hip_norm$pmRA<-rescale(hip$pmRA)
hip_norm$pmDE<-rescale(hip$pmDE)
hip_norm$e_Plx<-rescale(hip$e_Plx)
boxplot(hip_norm, main="HIP BOX PLOT NORMALIZADO", ylab="Value", xlab="Variable")
- Crea un scatterplot que te compare los valores de RA y DE. Representa los puntos con el símbolo ‘.’ Y que estos puntos sean de color rojo si DE excede de 0. Sugerencia ifelse()
ggplot(hip, aes(x=hip$RA, y=hip$DE))+ geom_point(size=2,color=ifelse(hip$DE>0,"red","blue"),shape=1)
- Haz un scatterplot de RA y pmRA. ¿Ves algún patrón?
ggplot(hip, aes(x=hip$RA, y=hip$pmRA))+ geom_point(size=2,shape=2)+geom_smooth(method=lm,color="darkred")
Aunque parece que a valores entre 100 y 150 de RA obtenemos valores más pequeños de pmRA la distribución de estos datos es bastante compleja y esto que apreciamos no es suficientemente concluyente para poder afirmar que exiten relaciones entre ambas variables.
- En vez de crear los plots por separado para cada par de columnas, hazlos con un solo comando con el scatterplot matrix.
Para esto podemos usar pairs, pero si usamos el comando ggpairs nos ofrecerá mas informacion como correlaciones entre vairables e incluso distribuciones de las mismas.
install.packages("GGAlly")## Warning in install.packages :
## package 'GGAlly' is not available (for R version 3.4.2)
## Warning in install.packages :
## Perhaps you meant 'GGally' ?library(GGally)
ggpairs(hip[1:8])
- Para poder acceder a las variables por su nombre usa attach(hip).Vamos a seleccionar las estrellas Hyadas del dataset aplicando los siguientes filtros:
- RA in the range (50,100)
- DE in the range (0,25)
- pmRA in the range (90,130)
- pmDE in the range (-60,-10)
- e_Plx <5
- Vmag >4 OR B.V <0.2
Crea un nuevo dataset con la aplicación de estos filtro. El Nuevo dataset se llama hyades.
hip <- hip[complete.cases(hip), ]
hyades<-hip[hip$RA > 50 & hip$RA < 100 &
hip$DE>0 & hip$DE<25 &
hip$pmRA>90 & hip$pmRA<130 &
hip$pmDE> -60 & hip$pmDE< -10 &
hip$e_Plx < 5 &
(hip$Vmag>4|hip$B.V<0.2),]
hyades## HIP Vmag RA DE Plx pmRA pmDE e_Plx B.V
## 533 18735 5.89 60.20286 18.19407 21.99 129.49 -28.27 0.81 0.319
## 537 18946 10.12 60.91235 19.45509 23.07 119.02 -34.19 2.12 1.095
## 541 19148 7.85 61.56690 15.69817 21.41 118.53 -19.59 1.47 0.593
## 543 19207 10.49 61.75479 15.33508 23.57 122.63 -18.96 2.26 1.180
## 545 19261 6.02 61.92461 15.16284 21.27 127.06 -22.75 1.03 0.397
## 547 19316 11.28 62.11082 12.19187 24.90 115.35 -13.05 2.59 1.327
## 553 19504 6.61 62.67620 18.42333 23.22 123.92 -31.41 0.92 0.427
## 555 19781 8.45 63.60661 14.62508 21.91 105.61 -19.86 1.27 0.693
## 557 19793 8.05 63.63433 23.57506 21.69 121.09 -48.34 1.14 0.657
## 559 19808 10.69 63.71610 13.05500 22.67 114.46 -19.28 2.30 1.204
## 562 19877 6.31 63.94256 15.40075 22.51 114.38 -22.07 0.82 0.400
## 565 20019 8.32 64.41197 16.94791 21.40 113.07 -21.39 1.24 0.756
## 566 20056 7.53 64.50737 18.25688 21.84 115.65 -31.23 1.14 0.681
## 567 20082 9.57 64.58000 16.08839 20.01 121.88 -19.72 1.91 0.980
## 569 20130 8.62 64.74127 19.90679 23.53 113.95 -36.39 1.25 0.745
## 570 20146 8.47 64.78308 17.52482 21.24 112.80 -29.89 1.32 0.721
## 574 20215 6.85 64.97827 16.52268 23.27 121.27 -36.65 1.14 0.509
## 575 20219 5.58 64.99014 14.03525 22.31 115.42 -19.91 0.92 0.283
## 576 20237 7.46 65.05373 19.23356 22.27 115.67 -34.02 0.93 0.560
## 577 20255 6.11 65.10432 18.74273 21.12 119.59 -48.17 0.77 0.404
## 578 20261 5.26 65.15102 15.09550 21.20 108.79 -20.67 0.99 0.225
## 580 20284 6.15 65.21941 13.86447 21.80 105.29 -17.97 0.85 0.456
## 581 20400 5.72 65.51437 14.07725 21.87 114.04 -21.40 0.96 0.315
## 582 20440 6.97 65.68376 15.05614 21.45 111.98 -19.88 2.76 0.518
## 586 20480 8.84 65.84278 21.37919 20.63 99.77 -39.07 1.34 0.758
## 587 20484 5.64 65.85416 16.77733 21.17 105.09 -27.62 0.80 0.310
## 588 20485 10.47 65.85502 15.76319 21.08 126.22 -30.50 2.69 1.231
## 589 20491 7.18 65.87642 24.40551 20.04 93.11 -45.08 0.89 0.462
## 590 20492 9.11 65.88445 14.67052 21.23 107.57 -18.24 1.80 0.855
## 592 20527 10.89 65.97643 14.05215 22.57 115.90 -15.21 2.78 1.288
## 593 20542 4.80 66.02372 17.44421 22.36 109.99 -33.47 0.88 0.154
## 594 20553 7.58 66.05166 14.75829 22.25 97.38 -33.51 1.52 0.604
## 595 20557 7.13 66.06042 21.73636 24.47 119.10 -46.63 1.06 0.518
## 596 20577 7.79 66.11774 16.88623 20.73 110.89 -24.72 1.29 0.599
## 600 20614 5.97 66.23775 19.04209 20.40 110.73 -32.50 0.74 0.378
## 603 20635 4.21 66.34208 22.29398 21.27 105.49 -44.14 0.80 0.136
## 605 20641 5.27 66.35394 22.20011 22.65 112.45 -47.06 0.84 0.250
## 606 20648 4.30 66.37216 17.92799 22.05 108.26 -32.47 0.77 0.049
## 608 20661 6.44 66.40522 15.94108 21.47 104.62 -28.83 0.97 0.509
## 611 20679 8.99 66.44788 18.01736 20.79 112.62 -35.79 1.83 0.935
## 612 20686 8.07 66.46525 18.86415 23.08 110.87 -33.75 1.22 0.680
## 616 20711 4.28 66.57664 22.81369 21.07 108.66 -45.83 0.80 0.263
## 617 20712 7.36 66.57680 21.47052 21.54 105.82 -36.48 0.97 0.557
## 618 20713 4.48 66.58613 15.61835 20.86 114.66 -33.30 0.84 0.262
## 619 20719 8.04 66.60227 16.85337 21.76 103.64 -17.58 1.46 0.651
## 621 20741 8.10 66.66689 16.74697 21.42 110.29 -27.82 1.54 0.664
## 622 20751 9.45 66.70080 10.87111 23.03 111.07 -16.26 1.66 1.033
## 623 20762 10.48 66.72616 13.13822 21.83 104.54 -18.10 2.29 1.146
## 625 20815 7.41 66.89928 15.58925 21.83 103.54 -25.16 1.01 0.537
## 626 20826 7.49 66.94170 11.73645 21.18 110.28 -12.11 1.04 0.560
## 628 20842 5.72 67.00301 21.62001 20.85 98.82 -40.59 0.86 0.270
## 629 20850 9.02 67.01822 13.86798 21.29 106.16 -17.59 1.91 0.839
## 632 20890 8.62 67.15480 19.74078 20.09 99.83 -39.82 1.11 0.741
## 633 20894 3.40 67.16531 15.87095 21.89 108.66 -26.39 0.83 0.179
## 635 20899 7.83 67.20097 17.28554 21.09 105.58 -30.05 1.08 0.609
## 636 20901 5.02 67.20875 13.04764 20.33 105.17 -15.08 0.84 0.215
## 638 20916 6.59 67.24882 16.15915 20.58 90.28 -25.47 1.74 0.536
## 639 20935 7.02 67.33537 17.54501 23.25 104.88 -31.65 1.04 0.526
## 640 20948 6.90 67.37619 17.86324 21.59 105.72 -32.56 1.09 0.451
## 641 20951 8.95 67.38142 17.89326 24.19 107.00 -33.31 1.76 0.831
## 642 20978 9.08 67.49026 16.67291 24.71 105.04 -28.33 1.27 0.865
## 643 20995 5.58 67.53555 15.63790 22.93 107.59 -23.92 1.25 0.324
## 644 21029 4.78 67.63987 16.19408 22.54 104.98 -25.14 0.77 0.170
## 645 21036 5.40 67.65541 13.72445 21.84 108.06 -19.71 0.89 0.263
## 646 21039 5.47 67.66178 15.69194 22.55 104.17 -24.29 1.09 0.258
## 647 21053 6.50 67.69474 16.14875 24.28 98.20 -22.75 0.79 0.428
## 648 21066 7.03 67.73796 10.75179 22.96 104.19 -10.52 0.99 0.472
## 649 21099 8.59 67.81512 20.13326 21.81 102.78 -41.08 1.25 0.734
## 650 21123 9.53 67.90433 17.70985 23.41 105.81 -30.97 1.65 0.987
## 651 21137 6.01 67.96539 15.85164 22.25 107.59 -32.38 1.14 0.338
## 657 21256 10.69 68.40464 21.15096 24.98 109.30 -45.31 1.95 1.237
## 658 21261 10.74 68.42444 19.01412 21.06 102.30 -34.96 2.21 1.197
## 659 21267 6.62 68.44409 13.25193 22.80 101.77 -17.93 0.98 0.429
## 660 21273 4.65 68.46190 14.84449 21.39 103.69 -25.94 1.24 0.255
## 661 21280 8.48 68.49365 15.16370 24.02 101.93 -33.75 1.68 0.847
## 663 21317 7.90 68.64687 15.50469 23.19 100.66 -28.04 1.30 0.631
## 667 21459 6.01 69.12112 23.34099 22.60 109.97 -53.86 0.76 0.380
## 668 21474 6.64 69.16944 15.86938 22.99 93.78 -23.02 0.95 0.442
## 671 21588 5.78 69.53907 16.03339 21.96 113.05 -40.40 1.04 0.312
## 672 21589 4.27 69.53917 12.51087 21.79 101.73 -14.90 0.79 0.122
## 673 21637 7.51 69.71344 23.15010 22.60 104.30 -55.25 0.91 0.576
## 674 21654 7.96 69.73855 14.10563 20.81 103.31 -21.62 1.30 0.655
## 678 21723 10.04 69.96213 12.72852 23.95 102.00 -17.70 1.63 1.073
## 680 21762 9.47 70.10589 16.51373 23.65 91.94 -30.69 2.53 1.096
## 689 22044 5.39 71.10737 11.14617 20.73 98.87 -13.47 0.88 0.251
## 695 22224 9.60 71.70581 17.74841 24.11 96.93 -33.93 1.72 0.967
## 705 22496 7.10 72.59945 17.20274 22.96 102.78 -29.70 1.17 0.563
## 710 22607 6.30 72.95802 13.65519 23.91 106.84 -16.00 1.04 0.502- ¿Que dimensiones tiene el dataset creado? Grafica un scatterplot de Vmag vs B.V
Tiene 88 observaciones con 9 variables cada una.
str(hyades)## 'data.frame': 88 obs. of 9 variables:
## $ HIP : int 18735 18946 19148 19207 19261 19316 19504 19781 19793 19808 ...
## $ Vmag : num 5.89 10.12 7.85 10.49 6.02 ...
## $ RA : num 60.2 60.9 61.6 61.8 61.9 ...
## $ DE : num 18.2 19.5 15.7 15.3 15.2 ...
## $ Plx : num 22 23.1 21.4 23.6 21.3 ...
## $ pmRA : num 129 119 119 123 127 ...
## $ pmDE : num -28.3 -34.2 -19.6 -19 -22.8 ...
## $ e_Plx: num 0.81 2.12 1.47 2.26 1.03 2.59 0.92 1.27 1.14 2.3 ...
## $ B.V : num 0.319 1.095 0.593 1.18 0.397 ...ggplot(hyades, aes(x=hyades$Vmag, y=hyades$B.V))+ geom_point(size=1,shape=1)
Analizando el gráfico podemos ver que la relación de las variables es totalmente lineal, lo que podria ayudarnos por ejemplo a poder predecir mediente regresión posibles valores perdidos en una de ambas. Tambien podremos descartar una de ellas en función de otra en nuestros modelos ya que ambas pueden aportar información muy similar al estár tan correlacionadas.
Ejemplo 2, iris dataset
Vamos a utilizar el ejemplo del dataset iris que está incluido en la distribución de R. Este dataset fue creado por Douglas Fisher. Consta de tres clases y tipos de 3 clases de tipos de flores:
- Setosa_
- Virginica
- Versicolor
Cada una de ellas con cuatro atributos:
- sepal width
- sepal length
- petal width
- petal length
- Inspecciona las primeras filas del dataset y calcula el summary() del mismo con cada atributo del dataset.
Esto nos ayuda a tener una idea inicial de como son los datos, en este caso están perfectamente equilibradas las clases, los rangos de valores son mas o menos similares y el IRQ es similar.
iris.data<-iris
head(iris.data)## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosasummary(iris.data)## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
## str(iris.data)## 'data.frame': 150 obs. of 5 variables:
## $ Sepal.Length: num 5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
## $ Sepal.Width : num 3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
## $ Petal.Length: num 1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
## $ Petal.Width : num 0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
## $ Species : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...- Crea un histograma de petal.width , teniendo en cuenta que el número de bins es variable fija este a 9. Añádele color y nombres al eje x “Petal Width”y al gráfico dale el nombre de “Histogram of Petal Width”.
library(ggplot2)
ggplot(data=iris.data, aes(iris.data$Petal.Width)) + geom_histogram(binwidth = 0.3) +labs(title="Histogram of Petal Width",x ="Petal Width", y = "Frecuency")
- Crea un histograma para cada variable.
ggplot(data=iris.data, aes(iris.data$Sepal.Length)) + geom_histogram(binwidth = 0.5) +labs(title="Histogram of Sepal.Length",x ="Sepal.Length", y = "Frecuency")
ggplot(data=iris.data, aes(iris.data$Sepal.Width)) + geom_histogram(binwidth = 0.5) +labs(title="Histogram of Sepal.Width",x ="Sepal.Width", y = "Frecuency")
ggplot(data=iris.data, aes(iris.data$Petal.Length)) + geom_histogram(binwidth = 0.5) +labs(title="Histogram of Petal.Length",x ="Petal.Length", y = "Frecuency")
- Crea los cuartiles del dataset
summary(iris.data, na.rm=T)## Sepal.Length Sepal.Width Petal.Length Petal.Width
## Min. :4.300 Min. :2.000 Min. :1.000 Min. :0.100
## 1st Qu.:5.100 1st Qu.:2.800 1st Qu.:1.600 1st Qu.:0.300
## Median :5.800 Median :3.000 Median :4.350 Median :1.300
## Mean :5.843 Mean :3.057 Mean :3.758 Mean :1.199
## 3rd Qu.:6.400 3rd Qu.:3.300 3rd Qu.:5.100 3rd Qu.:1.800
## Max. :7.900 Max. :4.400 Max. :6.900 Max. :2.500
## Species
## setosa :50
## versicolor:50
## virginica :50
##
##
## - Representa en un boxplot la variable de ancho de hoja dependiendo del tipo de hoja que tengan.
boxplot(iris.data$Sepal.Width~iris.data$Species, main="Ancho de Hoja por Especie", ylab="Ancho de Hoja", xlab="Especie")
Este gráfico no podemos ver una tendencia clara, más haya de que encontramos los cuartiles bien distribuidos y salvo un caso la existencia de outliers es nula.
- Crea los boxplot de la longitud del pétalo en función de la especie de Iris.
boxplot(iris.data$Petal.Length~iris.data$Species, main="Longitud Petalo de Hoja por Especie", ylab="Longitud de Petalo", xlab="Especie")
Este gráfico ya nos ofrece mucha información, vemos una tendencia entre los datos de setosa a virginica, en función del Sepal Lenght muy clara, ya que cuanto mayor es cambia la especie. También vemos un outlier en la especie versicolor y setosa.
- Compara con scatter plots las variables entre sí.
Vamos a volver a usar ggpairs, que nos ofrece mucha más información.
ggpairs(iris.data)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
SWISS dataset
El conjunto de datos “swiss” contiene una medida estandarizada de fecundidad y varios indicadores socioeconómicos para cada una de las 47 provincias francófonas de Suiza.
head(swiss)## Fertility Agriculture Examination Education Catholic
## Courtelary 80.2 17.0 15 12 9.96
## Delemont 83.1 45.1 6 9 84.84
## Franches-Mnt 92.5 39.7 5 5 93.40
## Moutier 85.8 36.5 12 7 33.77
## Neuveville 76.9 43.5 17 15 5.16
## Porrentruy 76.1 35.3 9 7 90.57
## Infant.Mortality
## Courtelary 22.2
## Delemont 22.2
## Franches-Mnt 20.2
## Moutier 20.3
## Neuveville 20.6
## Porrentruy 26.6- ¿Qué diagrama dibujaría para mostrar la distribución de todos los valores? ¿Qué conclusiones sacarías?
Para obtener la distribución de todos los valores realizaría un Boxplot. En base al diagrama, podemos concluir que hay un valor que claramente es un %, Catholic, este ademas ofrece una dispersión entre los que están por encima de la mediana muy alta, frente a los que están por debajo de la misma.
Por otro lado, tenemos bastantes outliers en Education.
boxplot(swiss, main="Boxplot Swiss", xlab="Variables", ylab="Valor")
Dibuje gráficos para cada variable. ¿Qué puede concluir de las distribuciones con respecto a su forma y posibles valores atípicos?
Dibuja un diagrama de dispersión de Fertilidad frente a % Catholic. ¿Qué tipo de áreas tienen las tasas de fertilidad más bajas?
ggplot(swiss, aes(x=swiss$Catholic, y=swiss$Fertility))+
geom_point(size=2,shape=5)
Las áreas con menor fertilidad son aquellas que tienen un % de católicos entre el 50% y 60%.
- ¿Qué tipo de relación existe entre las variables Educación y Agricultura?
ggplot(swiss, aes(x=swiss$Education, y=swiss$Agriculture))+
geom_point(size=2,shape=1)+
geom_smooth(method=loess,color="darkred")
Aunque la relación no es muy clara, una vez visto el gráfico podemos ver que a menores valores de educación, mayores de educación por lo que el gráfico se asemeja a una función exponencial con una correlación negativa bastante fuerte.
Aceites de Oliva
El conjunto de datos de aceites de oliva es bien conocido y se puede encontrar en varios paquetes, por ejemplo, como olives en extracat.La fuente original de los datos es el artículo [Forina et al., 1983].
Vamos a obtener el dataset:
install.packages("extracat")##
## The downloaded binary packages are in
## /var/folders/hx/tzq4mbtj1pj4gvxnfzdmx14h0000gn/T//RtmpL2kbgv/downloaded_packageslibrary(extracat)
head(olives)## Area Region palmitic palmitoleic stearic oleic linoleic
## 1 North-Apulia South 1088 73 224 7709 781
## 2 North-Apulia South 911 54 246 8113 549
## 3 North-Apulia South 966 57 240 7952 619
## 4 North-Apulia South 1051 67 259 7771 672
## 5 North-Apulia South 911 49 268 7924 678
## 6 North-Apulia South 1100 61 235 7728 734
## linolenic arachidic eicosenoic Test.Training
## 1 31 61 29 Training
## 2 31 63 29 Training
## 3 50 78 35 Training
## 4 50 80 46 Training
## 5 51 70 44 Training
## 6 39 64 35 Training- Dibuje un scatterplot de las ocho variables continuas. ¿Cuáles de los ácidos grasos están fuertemente asociados positivamente y cuáles fuertemente asociados negativamente?
ggpairs(olives[3:10])
Nuevamente con ggpairs obtenemos la información que deseamos, ya que nos ofrece las correlaciones negaticas y positicas entre cada uno de los gráficos.
- ¿Hay valores atípicos u otras características que valga la pena mencionar?
boxplot(olives[3:10])
Aunque deberíamos usar normalización para ver los datos representados en una misma escala podemos concluir que hay ciertos valores atípicos o outliers, en stearic, linolenic sobre todo.
HSAUR2.
El conjunto de datos se llama Lanza del paquete HSAUR2, por ello, lo primero será obtener los datos.
install.packages("HSAUR2")##
## The downloaded binary packages are in
## /var/folders/hx/tzq4mbtj1pj4gvxnfzdmx14h0000gn/T//RtmpL2kbgv/downloaded_packageslibrary("HSAUR2")## Loading required package: toolsLanza## study treatment classification
## 1 I Misoprostol 1
## 2 I Misoprostol 1
## 3 I Misoprostol 1
## 4 I Misoprostol 1
## 5 I Misoprostol 1
## 6 I Misoprostol 1
## 7 I Misoprostol 1
## 8 I Misoprostol 1
## 9 I Misoprostol 1
## 10 I Misoprostol 1
## 11 I Misoprostol 1
## 12 I Misoprostol 1
## 13 I Misoprostol 1
## 14 I Misoprostol 1
## 15 I Misoprostol 1
## 16 I Misoprostol 1
## 17 I Misoprostol 1
## 18 I Misoprostol 1
## 19 I Misoprostol 1
## 20 I Misoprostol 1
## 21 I Misoprostol 1
## 22 I Misoprostol 2
## 23 I Misoprostol 2
## 24 I Misoprostol 3
## 25 I Misoprostol 3
## 26 I Misoprostol 3
## 27 I Misoprostol 3
## 28 I Misoprostol 4
## 29 I Misoprostol 4
## 30 I Placebo 1
## 31 I Placebo 1
## 32 I Placebo 2
## 33 I Placebo 2
## 34 I Placebo 3
## 35 I Placebo 3
## 36 I Placebo 3
## 37 I Placebo 3
## 38 I Placebo 4
## 39 I Placebo 4
## 40 I Placebo 4
## 41 I Placebo 4
## 42 I Placebo 4
## 43 I Placebo 4
## 44 I Placebo 4
## 45 I Placebo 4
## 46 I Placebo 4
## 47 I Placebo 5
## 48 I Placebo 5
## 49 I Placebo 5
## 50 I Placebo 5
## 51 I Placebo 5
## 52 I Placebo 5
## 53 I Placebo 5
## 54 I Placebo 5
## 55 I Placebo 5
## 56 I Placebo 5
## 57 I Placebo 5
## 58 I Placebo 5
## 59 I Placebo 5
## 60 II Misoprostol 1
## 61 II Misoprostol 1
## 62 II Misoprostol 1
## 63 II Misoprostol 1
## 64 II Misoprostol 1
## 65 II Misoprostol 1
## 66 II Misoprostol 1
## 67 II Misoprostol 1
## 68 II Misoprostol 1
## 69 II Misoprostol 1
## 70 II Misoprostol 1
## 71 II Misoprostol 1
## 72 II Misoprostol 1
## 73 II Misoprostol 1
## 74 II Misoprostol 1
## 75 II Misoprostol 1
## 76 II Misoprostol 1
## 77 II Misoprostol 1
## 78 II Misoprostol 1
## 79 II Misoprostol 1
## 80 II Misoprostol 2
## 81 II Misoprostol 2
## 82 II Misoprostol 2
## 83 II Misoprostol 2
## 84 II Misoprostol 3
## 85 II Misoprostol 3
## 86 II Misoprostol 3
## 87 II Misoprostol 3
## 88 II Misoprostol 3
## 89 II Misoprostol 3
## 90 II Placebo 1
## 91 II Placebo 1
## 92 II Placebo 1
## 93 II Placebo 1
## 94 II Placebo 1
## 95 II Placebo 1
## 96 II Placebo 1
## 97 II Placebo 1
## 98 II Placebo 2
## 99 II Placebo 2
## 100 II Placebo 2
## 101 II Placebo 2
## 102 II Placebo 3
## 103 II Placebo 3
## 104 II Placebo 3
## 105 II Placebo 3
## 106 II Placebo 3
## 107 II Placebo 3
## 108 II Placebo 3
## 109 II Placebo 3
## 110 II Placebo 3
## 111 II Placebo 4
## 112 II Placebo 4
## 113 II Placebo 4
## 114 II Placebo 4
## 115 II Placebo 5
## 116 II Placebo 5
## 117 II Placebo 5
## 118 II Placebo 5
## 119 II Placebo 5
## 120 III Misoprostol 1
## 121 III Misoprostol 1
## 122 III Misoprostol 1
## 123 III Misoprostol 1
## 124 III Misoprostol 1
## 125 III Misoprostol 1
## 126 III Misoprostol 1
## 127 III Misoprostol 1
## 128 III Misoprostol 1
## 129 III Misoprostol 1
## 130 III Misoprostol 1
## 131 III Misoprostol 1
## 132 III Misoprostol 1
## 133 III Misoprostol 1
## 134 III Misoprostol 1
## 135 III Misoprostol 1
## 136 III Misoprostol 1
## 137 III Misoprostol 1
## 138 III Misoprostol 1
## 139 III Misoprostol 1
## 140 III Misoprostol 2
## 141 III Misoprostol 2
## 142 III Misoprostol 2
## 143 III Misoprostol 2
## 144 III Misoprostol 3
## 145 III Misoprostol 3
## 146 III Misoprostol 3
## 147 III Misoprostol 4
## 148 III Misoprostol 5
## 149 III Misoprostol 5
## 150 III Placebo 2
## 151 III Placebo 2
## 152 III Placebo 3
## 153 III Placebo 3
## 154 III Placebo 3
## 155 III Placebo 3
## 156 III Placebo 3
## 157 III Placebo 4
## 158 III Placebo 4
## 159 III Placebo 4
## 160 III Placebo 4
## 161 III Placebo 4
## 162 III Placebo 5
## 163 III Placebo 5
## 164 III Placebo 5
## 165 III Placebo 5
## 166 III Placebo 5
## 167 III Placebo 5
## 168 III Placebo 5
## 169 III Placebo 5
## 170 III Placebo 5
## 171 III Placebo 5
## 172 III Placebo 5
## 173 III Placebo 5
## 174 III Placebo 5
## 175 III Placebo 5
## 176 III Placebo 5
## 177 III Placebo 5
## 178 III Placebo 5
## 179 IV Misoprostol 1
## 180 IV Misoprostol 2
## 181 IV Misoprostol 2
## 182 IV Misoprostol 2
## 183 IV Misoprostol 2
## 184 IV Misoprostol 3
## 185 IV Misoprostol 3
## 186 IV Misoprostol 3
## 187 IV Misoprostol 3
## 188 IV Misoprostol 3
## 189 IV Placebo 4
## 190 IV Placebo 4
## 191 IV Placebo 4
## 192 IV Placebo 4
## 193 IV Placebo 5
## 194 IV Placebo 5
## 195 IV Placebo 5
## 196 IV Placebo 5
## 197 IV Placebo 5
## 198 IV Placebo 5*Se informan los datos de cuatro estudios. Dibuje un diagrama para mostrar si los cuatro estudios son igualmente grandes.
Para obtener la información sobre el número de elementos de una determinada variable el mejor gráfico es un gráfico de barras.
estudy.freq <- table(Lanza$study)
barplot(estudy.freq)
Vemos que los estudios de tipo IV, están en clara minoría, por lo que podremos tener sesgos en estas clases a la hora de clasificar a los que tendremos que prestar mucha atención.
- El resultado se mide por la clasificación de la variable con puntuaciones de 1 (mejor) a 5 (peor). ¿Cómo describirías la distribución?
Pues hay una clara diferencia entre las clasificadas como 1 y las demás, que con ciertos matices, están bastante bien distribuidas.
class.freq <- table(Lanza$classification)
barplot(class.freq)
Cáncer de mama
El paquete vcdExtra incluye datos de un viejo estudio de cáncer de mama sobre la supervivencia o muerte de 474 pacientes.
install.packages("vcdExtra")##
## The downloaded binary packages are in
## /var/folders/hx/tzq4mbtj1pj4gvxnfzdmx14h0000gn/T//RtmpL2kbgv/downloaded_packageslibrary("vcdExtra")## Loading required package: vcd## Loading required package: grid## Loading required package: gnm##
## Attaching package: 'gnm'## The following object is masked from 'package:HSAUR2':
##
## votingcancer.dataframe<-as.data.frame(Cancer)- Convierta los datos en un data frame y dibuje gráficos para comparar las tasas de supervivencia, primero, por grado de malignidad y, en segundo lugar, por centro de diagnóstico.
Para este caso lo mejor es un gráfico de mosaico.
library(vcd)
mosaic(Survival ~ Grade, data = cancer.dataframe, shade=TRUE)
mosaic(Survival ~ Center, data = cancer.dataframe, shade=TRUE)
En cuanto a centros las tasas son muy parecidas en cambio, cuando vemos si es benigno o maligno si que, como la propia logica nos diría, al ser maligno los supervivientes son menos.
- ¿Qué diagrama dibujaría para comparar las tasas de supervivencia tanto por grado de malignidad como por centro de diagnóstico? ¿Importa el orden de las variables explicativas?
Para meter todo dentro de un gráfico volvería a usar el gráfico de mosaico.
mosaic(Survival~Grade+Center, data = cancer.dataframe, shade=TRUE)
Crabs
- Dataset Crabs (del paquete MASS) [Venables y Ripley, 2002]. Los autores inicialmente se transforman a una escala logarítmica y luego escriben que:
“The data are very highly correlated and scatterplot matrices and brush plots [i.e. interactive graphics] are none too revealing.”.
Utilizando gráficos generales, comente si la transformación logarítmica fue una buena idea y si está de acuerdo con su afirmación sobre las correlaciones.
install.packages("MASS")## Error in install.packages : Updating loaded packageslibrary(MASS)
head(crabs)## sp sex index FL RW CL CW BD
## 1 B M 1 8.1 6.7 16.1 19.0 7.0
## 2 B M 2 8.8 7.7 18.1 20.8 7.4
## 3 B M 3 9.2 7.8 19.0 22.4 7.7
## 4 B M 4 9.6 7.9 20.1 23.1 8.2
## 5 B M 5 9.8 8.0 20.3 23.0 8.2
## 6 B M 6 10.8 9.0 23.0 26.5 9.8En base a los datos, lo primero que tendremos que hacer es pintar los pairs de las variables continuas, ya que las demas no aportan información para lo que queremos comprobar.
pairs(crabs[4:8])
Definitivamente si que fue una buena idea la transformación logarítmica con las variables, ya que todas presenta una correlacion lineal total.
Como crear subgrupos de datos en R
Busca información sobre la function cut(). Para ilustrar su uso vamos a utilizar el dataset state.x77. Si no lo tienes instalado instala el paquete R-Datasets. Usa la función head() para ver como son tus datos.
head(state.x77)## Population Income Illiteracy Life Exp Murder HS Grad Frost
## Alabama 3615 3624 2.1 69.05 15.1 41.3 20
## Alaska 365 6315 1.5 69.31 11.3 66.7 152
## Arizona 2212 4530 1.8 70.55 7.8 58.1 15
## Arkansas 2110 3378 1.9 70.66 10.1 39.9 65
## California 21198 5114 1.1 71.71 10.3 62.6 20
## Colorado 2541 4884 0.7 72.06 6.8 63.9 166
## Area
## Alabama 50708
## Alaska 566432
## Arizona 113417
## Arkansas 51945
## California 156361
## Colorado 103766state<-as.data.frame(state.x77)- Extrae la columna Frost y asigna el resultado a la variable frost
frost<-state$Frost- Tu nuevo objeto es un vector numérico. Ahora intenta agrupar los datos en frost en tres niveles. Para crear bins en tus datos puedes utilizar la función cut().
levels.frost<-cut(frost, breaks=3)
levels.frost## [1] (-0.188,62.7] (125,188] (-0.188,62.7] (62.7,125] (-0.188,62.7]
## [6] (125,188] (125,188] (62.7,125] (-0.188,62.7] (-0.188,62.7]
## [11] (-0.188,62.7] (125,188] (125,188] (62.7,125] (125,188]
## [16] (62.7,125] (62.7,125] (-0.188,62.7] (125,188] (62.7,125]
## [21] (62.7,125] (62.7,125] (125,188] (-0.188,62.7] (62.7,125]
## [26] (125,188] (125,188] (125,188] (125,188] (62.7,125]
## [31] (62.7,125] (62.7,125] (62.7,125] (125,188] (62.7,125]
## [36] (62.7,125] (-0.188,62.7] (125,188] (125,188] (62.7,125]
## [41] (125,188] (62.7,125] (-0.188,62.7] (125,188] (125,188]
## [46] (62.7,125] (-0.188,62.7] (62.7,125] (125,188] (125,188]
## Levels: (-0.188,62.7] (62.7,125] (125,188]- ¿Que obtienes como nombres de los niveles?
Los nombres de los niveles son los rangos de valores. Es decir, el mínimo y máximo valor entre el que se encontraba un valor anterior del vector.
- En la realidad no existen estados que tengan frost en días negativos. Esto es porque R añade un poco de padding. Prueba a solucionar el problema utilizando el parámetro include.lowest=TRUE en cut().
levels.frost<-cut(frost, breaks=3,labels = NULL,include.lowest=T)- Los nombres de los niveles no son demasiado informativos, especifica nuevos nombres para los niveles.
levels(levels.frost)<-list("Bajo"="[-0.188,62.7]","Medio"="(62.7,125]","Alto"="(125,188]")
levels.frost## [1] Bajo Alto Bajo Medio Bajo Alto Alto Medio Bajo Bajo Bajo
## [12] Alto Alto Medio Alto Medio Medio Bajo Alto Medio Medio Medio
## [23] Alto Bajo Medio Alto Alto Alto Alto Medio Medio Medio Medio
## [34] Alto Medio Medio Bajo Alto Alto Medio Alto Medio Bajo Alto
## [45] Alto Medio Bajo Medio Alto Alto
## Levels: Bajo Medio Alto- Después de este paso has creado un factor que clasifica los estados en bajo, medio y alto según el numero de heladas. Ahora cuenta el número de estados que hay en cada uno de los niveles. PISTA: utiliza la función table()
table(levels.frost)## levels.frost
## Bajo Medio Alto
## 11 19 20